项目14 机器学习入门教案 (2).docxVIP

序号：28

章节名称

项目14机器学习入门（二）

教学课时

2

授课班级

人工智能2501、2502

授课时间

授课地点

教学目标

知识目标

掌握决策树模型的基本原理及在sklearn中的调用方法

了解随机森林模型的概念、特点及与决策树模型的区别

学会使用决策树和随机森林模型对案例3（客户流失数据分析）和案例4（商品购买数据分析）进行处理

4.掌握模型评估的基本指标，如准确率、精确率、召回率等

能力目标

能够运用决策树模型对客户流失数据进行分析和预测

能够运用随机森林模型对商品购买数据进行分析和预测

能够对两个模型的预测结果进行评估和对比分析

4.熟练使用Python相关库完成数据预处理、模型训练、预测及评估等操作

素质目标

通过对实际业务数据的分析，培养学生的数据分析素养和业务洞察力

在模型选择和评估过程中，培养学生的批判性思维和严谨的科学态度

3.通过小组协作完成数据分析任务，增强学生的团队合作意识和沟通能力

教学内容

主要内容

决策树模型的原理、参数设置及在sklearn中的实现方法

案例3：客户流失数据分析，包括数据获取、预处理（缺失值处理、特征编码等）、决策树模型的构建、训练、预测及评估

随机森林模型的原理、优势及在sklearn中的实现方法

案例4：商品购买数据分析，包括数据获取、预处理（特征选择、数据转换等）、随机森林模型的构建、训练、预测及评估

5.决策树与随机森林模型的对比分析，包括模型性能、适用场景等

重点

决策树模型的构建、训练及评估方法

随机森林模型的构建、训练及评估方法

案例3和案例4中的数据预处理操作，如使用sklearn的preprocessing模块进行特征编码等

4.两个模型的对比分析及适用场景的判断

难点

理解决策树的分裂原理和随机森林的集成思想

处理案例数据中复杂的特征关系，选择合适的特征进行模型训练

3.对模型评估指标的深入理解和合理运用，准确判断模型性能

教法改革

教学方法

讲授法、演示法、实操法、案例分析法

教学手段

多媒体教学、编程环境实操、任务驱动练习

教学反思

作业及学习评价表

学习评价表

评价内容

自评

同桌评

师评

能正确定义变量与使用数据类型

能熟练运用运算符与编写表达式

能完成用户输入与计算任务

能积极回答教师的提问

能积极参与小组讨论

评价指标

A．优秀B.一般C.较差

二、教学设计

教学步骤

教学内容与情境设计

教师活动

学生活动

时间分配

情境导入

以企业如何通过数据分析预测客户流失、判断商品购买情况等实际业务场景为例，引出本节课要学习的决策树和随机森林模型。

【课程思政】通过学习场景激发兴趣，培养探索精神

引入场景、提问、明确目标

思考问题，了解任务核心

5分钟

知识讲解1

决策树模型的基本原理、参数设置及在sklearn中的调用方法，结合简单示例进行说明。

PPT讲解、代码演示

记录要点，观察演示

15分钟

知识讲解2

案例3：客户流失数据分析，包括数据的获取、预处理（如处理缺失值、对分类特征进行编码等）、决策树模型的构建、训练、预测以及使用准确率等指标进行评估

【课程思政】培养严谨态度，注重规则理解

PPT讲解、代码演示

记录要点，观察演示

15分钟

实操演练

针对案例3，学生自主进行客户流失数据的预处理、决策树模型的训练、预测及评估。

【课程思政】锻炼动手能力，体会理论应用于实践

巡回指导，解决代码问题、函数调用问题

编写代码，运行调试，记录遇到的问题

15分钟

知识讲解3

随机森林模型的概念、原理、优势及在sklearn中的调用方法，案例4：商品购买数据分析，包括数据获取、预处理（如特征选择、数据转换等）、随机森林模型的构建、训练、预测及评估，以及与决策树模型的对比。

【课程思政】培养逻辑思维，理解运算规则的重要性

讲解算法模型，演示表达式计算

编写代码，运行调试，记录遇到的问题

10分钟

实操演练

针对案例4，学生自主进行商品购买数据的预处理、随机森林模型的训练、预测及评估，并与决策树模型进行对比分析。

【课程思政】提升问题解决能力，感受编程实用性

指导学生处理算法模型参数、函数导入等问题

记录算法特点和评估方法，分析案例中分类结果的优劣，思考如何改进。

15分钟

总结与作业

总结本课时重点内容（决策树和随机森林模型的原理、应用及对比，案例3和案例4的分析过程等），布置作业（如使用不同参数训练模型，观察结果变化；收集相关业务数据，尝试运用所学模型进行分析）。

【课程思政】强调知识巩固，培养自主学习习惯

总结重点，明确作业要求

回顾内容，记录作业任务

5分钟